Väitös laskennallisen tieteen alalta, DI Arno Solin

2016-04-08 12:00:00 2016-04-08 23:59:59 Europe/Helsinki Väitös laskennallisen tieteen alalta, DI Arno Solin Stochastic Differential Equation Methods for Spatio-Temporal Gaussian Process Regression http://www.aalto.fi/fi/midcom-permalink-1e5e5fae25e7752e5fa11e5b12b21635c83ae01ae01 Otakaari 3, 02150, Espoo

Stochastic Differential Equation Methods for Spatio-Temporal Gaussian Process Regression

08.04.2016 / 12:00
salissa F239a, Otakaari 3, 02150, Espoo, FI

Diplomi-insinööri Arno Solin väittelee perjantaina 8.4.2016 klo 12 Aalto-yliopiston perustieteiden korkeakoulussa, salissa F239a, Otakaari 3, Espoo. Väitöskirjassa "Stochastic Differential Equation Methods for Spatio-Temporal Gaussian Process Regression" kehitettiin tehokkaita laskennallisia menetelmiä aikaan ja paikkaan sidotun aineiston mallintamiseen. Työ silloittaa signaalinkäsittelyssä ja koneoppimisessa käytettyjä matemaattisia malleja mahdollistaen menetelmien lainaamisen tieteenalalta toiselle.

Perustutkimuksen tavoitteena on kehittää uutta tietoa useiden sovellusalojen tarpeisiin. Kasvavat tietomäärät vaativat uusia menetelmiä laskennallisen tieteen alalta. Diplomi-insinööri Arno Solin on väitöskirjassaan "Stochastic Differential Equation Methods for Spatio-Temporal Gaussian Process Regression" kehittänyt uusia tehokkaita laskennallisia menetelmiä suurten tietoaineistojen sisäisen rakenteen mallintamiseen.

Väitöskirjassa käsitellään tilastollisia menetelmiä aikaan ja paikkaan sidotun aineiston mallintamiseen. Signaalinkäsittelyssä nämä menetelmät perustuvat yleensä differentiaaliyhtälöihin, kun taas koneoppimisessa lähtökohtana ovat regressiomallit. Solin on silloittanut näitä kahta tieteenalaa; työn tulosten avulla signaalinkäsittelyssä ja koneoppimisessa käytettyjä matemaattisia malleja voidaan muuttaa muodosta toiseen.

Työssä osoitettu yhteys mahdollistaa olemassa olevien erittäin tehokkaiden laskentamenetelmien soveltamisen koneoppimisessa. Esitellyt menetelmät avaavat uusia sovellusalueita tilastolliselle koneoppimiselle, sillä tietoaineiston koko ei enää ole rajoittava tekijä laskennassa. Näin työ tukee datatieteen työkalupakkia alati kasvavien tietomäärien mallintamisessa. Työssä käytetään esimerkkeinä sovelluksia aivokuvantamisen, sään mallintamisen, markkinoiden ennustamisen ja paikannuksen aloilta.

Väitöstiedote (pdf)

Vastaväittäjä: professori Manfred Opper, Technische Universität Berlin, Saksa

Kustos: professori Jouko Lampinen, Aalto-yliopiston perustieteiden korkeakoulu, Tietotekniikan laitos

Elektroninen väitöskirja: http://urn.fi/URN:ISBN:978-952-60-6711-7

Perustieteiden korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/52